跳到主要内容

分类器 vs 分割器

本页解释 OV20i 系统中两种可用的 AI 模型类型，并帮助您为检测需求选择合适的方法。

备注

Ov10i 不具备分割能力。

两种类型的项目​

OV20i 提供两种不同的 AI 模型方法，以满足不同的检验需求：

  • Classification - “Cats vs. Dogs” 方法
  • Segmentation - “Where's Waldo?” 方法

Classification Segmentation

Classification 模型​

Classification 是什么？​

创建一个 Classification Recipe，以训练一个深度学习模型根据图像的视觉特征将图像归类到不同的类别。

The "Cats vs. Dogs" Approach:
Classification 最适用于图像可以属于离散数量状态之一的项目（例如 good vs. bad，但类别数量可以是任意数量）。

Classification 训练模式​

Classification 提供两个不同的训练方法：

⚡ Fast Classifier

  • Purpose（目标）: 快速设置和测试
  • Use Case（用例）: 快速原型设计和概念验证
  • Speed（速度）: 训练时间更快
  • Accuracy（精度）: 精度较低
  • Production Ready（生产就绪）: ❌ 不推荐用于生产

Accurate/Production Classifier

  • Purpose（目标）: 生产就绪的检测
  • Use Case（用例）: 最终部署和制造
  • Speed（速度）: 训练时间较长
  • Accuracy（精度）: 更高
  • Production Ready（生产就绪）: ✅ 主要训练模型以获得最佳结果

Classification 来自生产的示例​

示例 1：松动螺母检测（OEM 装配）​

任务： 识别机械组件中的松动螺母

设置：

  • ROI： 围绕螺母区域的矩形
  • 类别：
  • ✅ Good - Properly tightened nut (Pass 100%)
  • ❌ Defect - Loose nut (Fail 98%)

Loose bolt

结果： 二元判断 - 螺母是否正确就位或松动

示例 2：轴座定位验证（OEM 装配）​

任务： 识别部分就位的轴

设置：

  • ROI： 覆盖轴安装区域的矩形
  • 类别：
  • ✅ Good - Fully seated shaft
  • ❌ Defect - Partially seated shaft
  • ❌ Defect - Fully out shaft

Shaft Seating

结果： 将部件分类为正确安装或有缺陷

示例 3：弯针检测（T1 供应商制造）​

任务： 检查针脚是否弯曲

设置：

  • ROI： 覆盖散热器针阵列的矩形
  • 类别：
  • ✅ Good - Undamaged Pin (Straight)
  • ❌ Defect - Bent/Damaged pins (Bent)

Bent pin

结果： 分类器区分良好针脚和坏针脚

Segmentation 模型​

Segmentation 是什么？​

创建一个 Segmentation Recipe，以训练一个深度学习模型对图像进行像素级的分割，基于带标签的缺陷进行分割。通过在像素级别运行，该工具对需要对标签进行更细粒度控制的检验非常有用。

The "Where's Waldo?" Approach:
Segmentation 最适用于缺陷形状和大小多样、但出现在多种位置的项目（例如寻找划痕和凹痕）。

Segmentation 训练模式​

Accurate/Production Only

  • Purpose（目标）: 生产就绪的像素级分析
  • Training（训练）: 单一高精度模式
  • Speed（速度）: 为实现像素级分类所需的较长训练时间
  • Accuracy（精度）: 高精度，用于详细缺陷映射
  • Production Ready（生产就绪）: ✅ 面向制造环境的优化

Segmentation 来自生产的示例​

示例 1：表面缺陷检测（T1 供应商装配）​

任务： 识别胶水溢出

设置：

  • ROI： 围绕阀门表面的矩形
  • **Pixel Classes（像素类别）：**胶水（Yellow pixels）

Surface Defects

结果： 黄颜色高亮清晰显示 AI 模型检测为缺陷的区域，参考用的原始图像一并显示

示例 2：缝隙尺寸测量（T1 供应商装配）​

任务： 验证检测区域的缝隙是否为合适尺寸

设置：

  • ROI： 围绕缝隙区域的矩形

  • Measurement Logic（测量逻辑）： 基于像素面积值的通过条件

  • Pixel Classes（像素类别）： Blue pixel 用于表示距离

  • ✅ Good - Area <100 pixels (Pass)

  • ❌ Defect - Area > 100 pixels (Fail)

Gap Measurements

结果： 以精确像素计数对缝隙尺寸进行精确测量

示例 3：油漆飞溅​

任务： 识别是否存在油漆飞溅

设置：

  • ROI： 检测区域周围的矩形
  • Pixel Classes（像素类别）： 黄像素用于教学油漆的外观

Paint Splatter

结果： 像素级检测油漆飞溅

何时选择每种模型​

何时选择 Classification：​

离散状态决策：

  • ✅ 需要 简单的好/坏分类
  • ✅ 整个 ROI 可以标注为 若干类别中的一个
  • ✅ 总体状态评估 即可
  • ✅ 固定缺陷位置 是可预期的
  • ✅ 更快的循环时间 在检测期间可接受

最佳用途： Go/No-Go 决策、组件存在/缺失、整体质量评估

何时选择 Segmentation：​

可变位置分析：

  • ✅ 缺陷可以在检测区域的任何位置出现
  • ✅ 需要 测量缺陷的大小或面积
  • ✅ 多种缺陷类型 可能存在于同一图像
  • ✅ 需要 精确的位置映射
  • ✅ 最快的循环时间 对生产至关重要

最佳用途： 表面缺陷、缝隙测量、覆盖验证、可变位置的缺陷

性能对比​

循环时间性能​

模型类型检验速度最佳用例
Segmentation⚡ 最快高速生产线
Classification (Accurate)较慢质量关键的检验
Classification (Fast)中等测试与原型设计
备注

Segmentation 模型提供最快的检验循环时间，使其成为高吞吐量生产环境的理想选择。

训练模式摘要​

Classification 训练选项​

  • Fast Mode: 快速设置用于测试（不适用于生产）
  • Accurate Mode: 具有更高精度的生产就绪

Segmentation 训练选项​

  • Accurate Mode Only: 为生产优化的单一高精度模式

🔗 参见下文​